Как две фотонные системы используют свет для вычислений ИИ

Исследователи Университета Коч в Стамбуле разработали две системы, в которых свет выполняет часть вычислений для искусственного интеллекта. Первая обрабатывает цветные изображения и настраивается с учётом особенностей реального оборудования. Во второй многомодовый волоконный лазер преобразует данные в оптические узоры, которые затем распознаёт простой линейный классификатор. Работы вышли 21 августа и 3 сентября 2026 года в журналах Communications Engineering и Communications Physics.

Оптика сохраняет цвет и учитывает несовершенства установки

Первая система обрабатывает красный, зелёный и синий каналы изображения вместе. При переводе цветного снимка в оттенки серого часть информации о цвете теряется. Здесь свет проходит через несколько этапов преобразования: каналы смешиваются, а изображение превращается в набор признаков, которые помогают различать объекты. Итоговый оптический узор записывает камера.

В аннотации статьи сообщается, что многоканальная оптическая обработка в задачах медицинской визуализации, распознавания обычных изображений и регрессии повышала точность на 25–45 процентных пунктов по сравнению с исходными пикселями. RGB-кодирование давало ещё 6–11 пунктов по сравнению с оттенками серого, а стратегии самооптимизации добавляли 7–12 пунктов. Университет Коч отдельно сообщил о результате классификации кожных заболеваний: 98% после оптической обработки против 68% на исходных цветных пикселях.

Систему настраивали двумя способами. Байесовская оптимизация подбирала смешивание цветовых каналов, а аппаратный протокол использовал реальные измерения установки, чтобы искать подходящие параметры. Поэтому настройка не зависит от идеально точной компьютерной модели. Если компоненты немного смещены или отличаются от расчётных, система может учитывать это по результатам измерений.

Например, на снимке кожного образования цветовой оттенок может помочь отличить один класс от другого наряду с формой и текстурой. Если убрать цвет, этот признак ослабнет; обработка трёх каналов вместе позволяет сохранить его для классификации. Это условный пример работы механизма, а не отдельный эксперимент исследователей.

Лазер преобразует данные, но электроника остаётся

Во второй системе изображения кодируют в фазовые узоры с помощью пространственного модулятора света. Затем узоры проходят через полость многомодового волоконного лазера. Взаимодействие световых мод и насыщение усиления преобразуют данные в устойчивые распределения интенсивности, которые проще разделить по классам. Для заключительной классификации авторы применили линейный алгоритм.

В разных задачах, включая обработку медицинских изображений и данных дистанционного зондирования, точность составляла от 85% до 99%. Авторы также сообщили, что системе требовалось на порядки меньше обучаемых параметров, чем глубоким нейросетям. Часть преобразования здесь происходит за счёт физических процессов в лазере, а не только в программной модели.

Обе работы показывают принцип работы подхода, но не доказывают, что такие системы уже готовы заменить электронные ускорители. В установках остаются электронные компоненты, в том числе камеры и блоки управления. По опубликованным результатам нельзя судить о практической скорости или энергопотреблении систем. Подробнее изучить научные публикации по теме поможет подбор научной литературы, хотя сам поиск источников не заменяет проверки экспериментальных данных.

В университетском сообщении среди дальнейших технических задач названы более быстрые средства управления светом и компактные оптические системы, интегрированные на чипе. Пока электроника остаётся частью установки, свет берёт на себя отдельные вычисления, а не заменяет цифровой процессор целиком.